في عالم الذكاء الاصطناعي، يمثل البحث عن الخطط تحديًا كبيرًا حيث يتطلب عادةً تخزين عدد هائل من الحالات. ولكن، ماذا لو كان بإمكاننا تقليل هذا التخزين بشكل كبير؟ هذا هو ما تناقشه الدراسة الجديدة القادمة من أرشيف arXiv، والتي تركز على كيفية تعلم التحكم في البحث بكفاءة محسنة.

تقدم هذه الدراسة نموذجًا جديدًا يعتمد على سياسة مؤشرية (Indexical Policy) حيث يُكتب لكل مجال مواصفة واحدة تُسجل كيفية تسلسل القواعد. ومن خلال إضافة قاعدة اختيارية، تصبح القدرة على تحميل كائن في سجل معين وتحديد نقطة العودة ممكنة، مما يعني أن كل قاعدة يجب أن تعمل لجميع نتائجها دون الحاجة إلى البحث.

النقطة الرئيسية في هذا البحث هي أن إنهاء الهيكل، الذي يمنع تنفيذات لا نهائية، يؤكد أيضًا على أن كل تنفيذ يتم التحكم فيه من خلال حيّز متعدد الحدود بالنسبة لعدد الكائنات المعنية. باستخدام إجراء بحث من عمق أول (Depth-First Procedure)، يمكن العثور على خطة في حيّز متعدد الحدود، بغض النظر عن حجم مساحة الحالة، دون الحاجة إلى قائمة بالحالات التي تم زيارتها.

النتيجة رائعة: على الرغم من أن التكلفة الزمنية ترتفع لتكون أسية فقط فيما يتعلق بعمق الاختيار، إلا أن أي فئة تحلها هذه السياسة تنتمي إلى فئة NP، وفي P عند عمق اختيار ثابت. يتم تعلم هذه السياسات باستخدام نموذج لغوي في حلقة موجهة من خلال مضاد أمثلة يضمن إنهاء التنفيذ ويحقق مهام التدريب.

المثير للإعجاب هو أنه بمساعدة هذه السياسات المكتسبة، نجح الإجراء في حل 1,709 من بين 1,890 مهمة اختبار في IPC 2023 Learning Track ومجموعة Autoscale Agile، متفوقًا على أساليب مثل LAMA و BFWS و Levitron، ومعظمها تم تنفيذه في أقل من ثانية وبمساحة 100 ميجابايت فقط.

هذا التطور يُعتبر خطوة مهمة نحو تعزيز كفاءة البحث في الأنظمة المعقدة. ما رأيكم في هذا التطور؟ شاركونا في التعليقات!